Nghiên cứu một số phương pháp phân loại bề mặt lớp phủ sử dụng trí tuệ nhân tạo phục vụ công tác quản lý tài nguyên và môi trường

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ - ĐỊA CHẤT NGUYỄN ĐỨC LỘC NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP PHÂN LOẠI BỀ MẶT LỚP PHỦ SỬ DỤNG TRÍ TUỆ NHÂN TẠO PHỤC VỤ CƠNG TÁC QUẢN LÝ TÀI NGUYÊN VÀ MÔI TRƯỜNG Chuyên ngành: Kỹ thuật Trắc địa – Bản đồ Mã số: 60520503 LUẬN VĂN THẠC SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGUYỄN QUANG MINH HÀ NỘI - 2013 LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu riêng Các số liệu, kết luận văn trung thực chƣa đƣợc công bố cơng trình khác Tác giả luận văn Nguyễn Đức Lộc MỤC LỤC LỜI CAM ĐOAN .1 MỤC LỤC DANH MỤC CHỮ VIẾT TẮT DANH MỤC HÌNH DANH MỤC BẢNG MỞ ĐẦU .9 Chƣơng TỔNG QUAN VẤN ĐỀ NGHIÊN CỨU .13 1.1 Lớp phủ mặt đất phân loại lớp phủ mặt đất 13 1.1.1 Khái niệm lớp phủ mặt đất 13 1.1.2 Phân loại lớp phủ mặt đất 14 1.1.3 Hệ phân loại lớp phủ - FAO Land Cover Classification System 14 1.2 Khái niệm viễn thám 16 1.3 Một số vệ tinh tƣ liệu ảnh viễn thám .20 1.3.1 Vệ tinh Landsat .20 1.3.2 Vệ tinh SPOT 22 1.3.3 Vệ tinh IRS 25 1.3.4 Vệ tinh IKONOS .27 1.3.5 Vệ tinh COSMOS 28 1.4 Đặc trƣng phản xạ phổ đối tƣợng tự nhiên 28 1.4.1 Đặc trƣng phản xạ phổ thực vật 29 1.4.2 Đặc trƣng phản xạ phổ nƣớc 30 1.4.3 Đặc trƣng phản xạ phổ thổ nhƣỡng 32 1.5 Phân loại ảnh viễn thám .34 1.5.1 Giải đoán ảnh mắt 34 1.5.2 Giải đoán ảnh xử lý số 35 1.6 Một số thuật tốn phân loại ảnh số thơng dụng 38 1.6.1 Không gian ảnh không gian phổ 39 1.6.2 Lý thuyết Bayes 40 1.6.3 Phƣơng pháp phân loại xác suất cực đại (Maximum Likelihood) 41 1.6.4 Phƣơng pháp theo khoảng cách tối thiểu (Minimum Distance) .43 1.6.5 Phƣơng pháp phân loại hình hộp (Parallelpiped) 44 Chƣơng ỨNG DỤNG MẠNG NƠ RON NHÂN TẠO TRONG PHÂN LOẠI LỚP PHỦ MẶT ĐẤT .46 2.1 Khái niệm mạng nơ ron nhân tạo 46 2.2 Nơ ron sinh học nơ ron nhân tạo 46 2.2.1 Nơ ron sinh học .46 2.2.2 Nơ ron nhân tạo .48 2.2.3 Mơ hình mạng nơ ron 50 2.2.4 Các kiểu mơ hình mạng nơ ron .50 2.2.5 Perceptron .52 2.2.6 Mạng nhiều tầng truyền thẳng 53 2.2.7 Thuật toán học theo phƣơng pháp lan truyền ngƣợc sai số 55 2.2.8 Huấn luyện mạng nơ ron 56 2.2.9 Học có giám sát mạng nơ ron 58 2.2.10 Khả ứng dụng mạng nơ ron nhân tạo 59 2.3 Ứng dụng mạng nơ ron nhân tạo phân loại lớp phủ mặt đất 60 2.3.1 Sử dụng mạng nơ ron phân loại lớp phủ .60 2.3.2 Tƣ liệu ảnh, phần mềm khu vực nghiên cứu 62 2.3.3 Thực nghiệm ứng dụng mạng nơ ron nhân tạo phân loại lớp phủ mặt đất 65 Chƣơng ỨNG DỤNG THUẬT TOÁN SUPPORT VECTOR MACHINE TRONG PHÂN LOẠI LỚP PHỦ MẶT ĐẤT 79 3.1 Những khái niệm Support Vector Machine 79 3.2 Không gian đặc trƣng 80 3.3 Thuật toán phân lớp với Support Vector Machine .81 3.3.1 Bài toán phân lớp với SVM 81 3.3.2 Phân loại nhiều lớp với Support Vector Machine 84 3.4 Thực nghiệm ứng dụng thuật toán Support Vector Machine phân loại lớp phủ mặt đất 85 3.4.1 Tƣ liệu ảnh, phần mềm khu vực nghiên cứu 85 3.4.2 Bộ liệu mẫu phân loại đánh giá độ xác .85 3.4.3 Sử dụng Support Vector Machine phân loại 86 3.4.4 Đánh giá khả phân loại lớp phủ mặt đất thuật toán Support Vector Machine .86 3.4.5 Đánh giá khả phân loại lớp phủ mặt đất thuật toán Support Vector Machine với số lƣợng mẫu huấn luyện thay đổi .89 3.5 Thành lập đồ lớp phủ mặt đất khu vực phƣờng Hội Hợp – Vĩnh Yên – Vĩnh Phúc ………………………………………………………………………………93 KẾT LUẬN VÀ KIẾN NGHỊ 95 TÀI LIỆU THAM KHẢO 97 DANH MỤC CƠNG TRÌNH ĐÃ CÔNG BỐ 99 DANH MỤC CHỮ VIẾT TẮT ANN Artificial Neural Network DN Digital Number ENVI Enviroment for Visualizing Images ERTS Earth Resources Technology Satellite ETM+ Enhanced Thematic Mapper Plus FAO Food and Agriculture Organisation HRG High Resolution Geometric HRV High Resolution Visible IRS Indian Remote Sensing Satellite ISO International Standards Organization LCCS Land Cover Classification System LCML Land Cover Meta Language LISS Linear Imaging Self Scanning Sensor MSS Multispectral Scanner NASA National Aeronautics and Space Administration OLI and TIRs Operational Land Imager and Thermal Infrared Sensor SPOT Système Pour l'Observation de la Terre SVM Support Vector Machine TM Thematic Mapper DANH MỤC HÌNH Hình 1-1 Ngun lý thu nhận ảnh vệ tinh 17 Hình 1-2 Vệ tinh địa tĩnh vệ tinh quỹ đạo cực 18 Hình 1-3 Các kênh sử dụng viễn thám 19 Hình 1-4 Khả phản xạ hấp thụ thực vật .30 Hình 1-5 Khả phản xạ hấp thụ nƣớc 31 Hình 1-6 Đặc trƣng phản xạ phổ thổ nhƣỡng 33 Hình 1-7 Khơng gian ảnh 39 Hình 1-8 Khơng gian thuộc tính chiều chiều pixel 40 Hình 1-9 Thuật tốn Maximum Likelihood .42 Hình 1-10 Thuật tốn Minimum Distance .43 Hình 1-11 Thuật tốn Parallelpiped 44 Hình 2-1 Cấu trúc nơ ron sinh học .47 Hình 2-2 Cấu trúc nơ ron nhân tạo .48 Hình 2-3 Mạng tự kết hợp 51 Hình 2-4 Mạng kết hợp khác kiểu 51 Hình 2-5 Kiến trúc truyền thẳng 52 Hình 2-6 Kiến trúc phản hồi 52 Hình 2-7 Perceptron 53 Hình 2-8 Mạng nhiều tầng truyền thẳng 54 Hình 2-9 Lan truyền tín hiệu trình học theo 55 phƣơng pháp lan truyền sai số ngƣợc .55 Hình 2-10 Các yếu tố mạng nơ ron phân loại ảnh với kênh phổ 60 lớp phủ cần phân loại 60 Hình 2-11 Ảnh SPOT-4 phƣờng Hội Hợp – Vĩnh Yên – Vĩnh Phúc 63 Hình 2-12 Phần mềm ENVI mơ đun Neural Net 64 Hình 2-13 Sơ đồ vị trí phƣờng Hội Hợp 65 Hình 2-14 Thiết bị thực địa 66 Hình 2-15 Lấy mẫu thực địa 66 Hình 2-16 Chọn mẫu phân loại ảnh 68 Hình 2-17 Kết phân loại thuật toán Neural Net 70 Hình 2-18 Kết phân loại thuật toán Maximum Likelihood 71 Hình 2-19 Kết phân loại thuật tốn Minimum Distance 72 Hình 2-20 So sánh độ xác phân loại phƣơng pháp .76 Hình 2-21 Đồ thị biểu thị sai số huấn luyện mẫu từ lần đến 100 lần 76 Hình 2-22 Ảnh hƣởng số lần huấn luyện mẫu đến độ xác huấn luyện mẫu 77 Hình 2-23 Ảnh hƣởng số lần huấn luyện mẫu đến độ xác tổng thể 77 Hình 2-24 Ảnh hƣởng số lần huấn luyện mẫu đến hệ số Kappa .78 Hình 3-1 Siêu phẳng lề tối ƣu 80 Hình 3-2 Ánh xạ  từ khơng gian liệu X sang khơng gian đặc trƣng F .81 Hình 3-3 Phân lớp với SVM mặt phẳng 82 Hình 3-4 Bài tốn SVM trƣờng hợp liệu mẫu không phân tách tuyến tính 84 Hình 3-5 Kết phân loại thuật toán Support Vector Machine 87 Hình 3-6 Độ xác tổng thể phƣơng pháp SVM, MLK, MND số lƣợng mẫu thay đổi 92 Hình 3-7 Hệ số Kappa phƣơng pháp SVM, MLK, MND số lƣợng mẫu thay đổi 92 Hình 3-8 Bản đồ lớp phủ mặt đất phƣờng Hội Hợp – Vĩnh Yên – Vĩnh Phúc 94 DANH MỤC BẢNG Bảng 1-1 Bảng phân loại lớp phủ mặt đất theo FAO 15 Bảng 1-2 Các hệ vệ tinh Landsat 20 Bảng 1-3 Các đặc trƣng cảm vệ tinh Landsat 22 Bảng 1-4 Các đặc trƣng cảm vệ tinh SPOT 25 Bảng 1-5 Các đặc trƣng cảm vệ tinh IRS 26 Bảng 1-6 Các đặc trƣng cảm vệ tinh IKONOS 27 Bảng 2-1 Các đặc trƣng tƣ liệu ảnh SPOT-4 62 Bảng 2-2 Mẫu giải đoán ảnh 67 Bảng 2-3 Độ xác phân loại ảnh thuật tốn mạng nơ ron 73 Bảng 2-4 Độ xác phân loại ảnh thuật tốn Maximum Likelihood 74 Bảng 2-5 Độ xác phân loại ảnh thuật toán Minimum Distance 74 Bảng 2-6 So sánh độ xác phân loại theo phƣơng pháp NN, MLK, MND 75 Bảng 2-7 Ảnh hƣởng số lần huấn huyện mẫu đến độ xác phân loại 77 Bảng 3-1 Một số hàm nhân Kernel thƣờng dùng 80 Bảng 3-2 Độ xác phân loại lớp phủ thuật toán SVM 88 Bảng 3-3 So sánh độ xác phân loại thuật toán SVM, MLK, MND 88 Bảng 3-4 Độ xác phân loại thuật tốn SVM với số lƣợng mẫu thay đổi 90 Bảng 3-5 Độ xác phân loại thuật tốn MLK với số lƣợng mẫu thay đổi 91 Bảng 3-6 Độ xác phân loại thuật toán MND với số lƣợng mẫu thay đổi 91 MỞ ĐẦU Tính cấp thiết đề tài Thông tin lớp phủ mặt đất thông tin để hiểu rõ quản lý tài nguyên môi trƣờng Với tƣ liệu ảnh viễn thám, thông tin liên tục nhận đƣợc chu kỳ ngắn ngày, khu vực địa lý trái đất Các thông tin giúp nhà quản lý biết đƣợc xu hƣớng biến đổi tài nguyên môi trƣờng Một phƣơng pháp chiết tách thông tin lớp phủ từ ảnh viễn thám sử dụng kỹ thuật phân loại ảnh Kể từ thu đƣợc ảnh Landsat năm 1972 [22], nhiều thuật toán phân loại ảnh đƣợc phát triển Một số phƣơng pháp thông dụng để phân loại lớp phủ mặt đất bao gồm xác suất cực đại (Maximum Likelihood), khoảng cách tối thiểu (Minimum Distance) định (Decision Tree)…Hiện nay, số phƣơng pháp phân loại áp dụng có hiệu phân loại ảnh viễn thám nhƣ phân loại sử dụng mạng nơ ron nhân tạo phân loại sử dụng thuật toán Support Vector Machine Mạng nơ ron nhân tạo mơ hình xử lý thơng tin dựa phƣơng thức xử lý thông tin nơ ron não ngƣời Nó đƣợc tạo nên từ lƣợng lớn nơ ron kết nối với thông qua liên kết làm việc nhƣ thể thống để giải vấn đề cụ thể Mạng nơron nhân tạo đƣợc sử dụng để giải nhiều toán thuộc nhiều lĩnh vực ngành khác Trên giới, mạng nơ ron nhân tạo đƣợc sử dụng để dự đoán cấu trúc protein [16], nhận dạng mẫu[12], nhận dạng giọng nói [15] Ở Việt Nam, mạng nơ ron nhân tạo đƣợc quan tâm nghiên cứu lĩnh vực nhận dạng ảnh mặt ngƣời [2], dự báo thị trƣờng chứng khoán [11], dự báo lƣu lƣợng nƣớc đến hồ thủy điện [5] hỗ trợ công tác chọn thầu thi 85 Lúa – Mặt nƣớc, Lúa – Đất trống, Lúa – Khu dân cƣ, Lúa – Cây lâu năm, Lúa – Cỏ, Mặt nƣớc – Đất trống… Hai là, chiến lƣợc “Một – Tất cả” (One – gainst – All): Nếu tốn phân loại có k lớp, chiến lƣợc “Một – Tất cả” lập cặp lớp phủ bao gồm lớp phủ với lớp phủ cịn lại Nhƣ ví dụ trên, ta có cặp lớp phủ, là: Lúa – Các lớp lại, Mặt nƣớc – Các lớp lại, Đất trống – Các lớp lại, Khu dân cƣ – Các lớp lại, Cây lâu năm – Các lớp lại, Cỏ – Các lớp lại Nhƣ vậy, chiến lƣợc này, số SVM số lớp phủ cần phân loại 3.4 Thực nghiệm ứng dụng thuật toán Support Vector Machine phân loại lớp phủ mặt đất 3.4.1 Tư liệu ảnh, phần mềm khu vực nghiên cứu Thực nghiệm phân loại lớp phủ mặt đất thuật toán Support Vector Machine tiếp tục đƣợc tiến hành ảnh SPOT-4 khu vực phƣờng Hội Hợp – thành phố Vĩnh Yên – tỉnh Vĩnh Phúc Phần mềm sử dụng để phân loại phần mềm ENVI 4.7 với mô đun phân loại “Support Vector Machine” 3.4.2 Bộ liệu mẫu phân loại đánh giá độ xác Bộ liệu mẫu phân loại sử dụng mẫu gồm 208 mẫu sử dụng để phân loại lớp phủ thuật toán phân loại mạng nơ ron, xác suất cực đại khoảng cách tối thiểu phần trƣớc Bộ liệu mẫu kiểm tra gồm 104 mẫu mẫu sử dụng để đánh giá độ xác kết phân loại thuật toán phân loại mạng nơ ron, xác suất cực đại khoảng cách tối thiểu chƣơng 86 Đánh giá độ xác kết phân loại dựa tiêu sai số tổng thể (Overall Accuracy), hệ số Kappa (Kappa Confficient), độ xác ngƣời sử dụng (User Accuracy) độ xác đồ (Producer Accuracy) 3.4.3 Sử dụng Support Vector Machine phân loại Khi sử dụng thuật toán Support Vector Machine cho phân loại lớp phủ mặt đất phƣờng Hội Hợp ảnh SPOT-4 với kênh đa phổ lớp phủ đầu số Support Vector sử dụng 15 (=6x5/2) Đầu vào cho Support Vector vector x, vector giá trị độ xám mẫu huấn luyện theo kênh ảnh đƣợc sử dụng phân loại Có kênh ảnh, nhƣ vector đầu vào xi điểm ảnh thứ i gồm thành phần tọa độ tƣơng ứng với giá trị độ xám điểm ảnh kênh 3.4.4 Đánh giá khả phân loại lớp phủ mặt đất thuật toán Support Vector Machine Với 208 mẫu cho lớp phủ mặt đất bao gồm Lúa, Mặt nƣớc, Cây lâu năm, Đất trống, Khu dân cƣ Cỏ, tiến hành phân loại ảnh Kết phân loại bảng thống kê độ xác đƣợc mơ tả hình (3-5) bảng (3-2) 87 Hình 3-5 Kết phân loại thuật toán Support Vector Machine 88 Bảng 3-2 Độ xác phân loại lớp phủ thuật tốn SVM Mặt Lớp phủ Lúa 296 Lúa 41483 nước 11417 Mặt nước 457 Khu dân cư 0 Cây lâu năm 59 Đất trống 402 Cỏ 42401 11715 Tổng Pro Acc 97,83 97,46 Overall Accuracy = 94,27% Kappa Coeficient = 0,91 Khu dân cư 1346 15313 324 16983 90,17 Đất trống 218 401 7974 8595 92,77 Cây lâu năm 0 1585 1588 99,81 Cỏ 1319 1767 3090 57,18 Tổng 44662 11419 16174 1588 8357 2172 84372 User Acc 92,88 99,98 94,68 99,81 95,42 81,35 Để đánh giá khả phân loại thuật toán Support Vector Machine, kết phân loại đƣợc so sánh với kết phân loại hai thuật toán xác xuất cực đại (Maximum Likelihood) khoảng cách tối thiểu (Minimum Distance) Bảng 3-3 So sánh độ xác phân loại thuật tốn SVM, MLK, MND Phương pháp SVM MLK MND Lớp phủ Lúa Độ xác (%) User Acc 92,88 Prod Acc 97,83 Overall Accuracy = 94,27% Kappa Coeficient = 0,91 User Acc 97,41 Prod Acc 89,54 Overall Accuracy = 88,01% Kappa Coeficient = 0,84 User Acc 93,22 Prod Acc 80,48 Overall Accuracy = 85,85% Kappa Coeficient = 0,82 Mặt Đất Cây lâu nước trống năm 99,98 97,46 95,42 92,77 99,81 99,81 81,35 57,18 94,68 90,17 100,00 99,98 68,78 95,33 99,56 59,58 41,30 68,76 96,64 85,20 99,98 99,97 86,6 96,5 92,2 77,75 43,63 93,78 89,42 77,34 Cỏ Khu dân cư 89 Qua bảng thống kê ta nhận thấy, kết phân loại lớp phủ phƣơng pháp Support Vector Machine có độ xác cao với độ xác tổng thể (Overall Accuracy) 94,27% so với phƣơng pháp MLK (88,01%) MND (85,85%) Xét theo số Kappa, thuật toán Support Vector Machine đạt cao với  = 0,91; MLK có  = 0,84 MND có  = 0,82 3.4.5 Đánh giá khả phân loại lớp phủ mặt đất thuật toán Support Vector Machine với số lượng mẫu huấn luyện thay đổi Khi khảo sát khả phân loại xác thuật toán SVM với số lƣợng mẫu huấn luyện nhỏ, thuật toán SVM đƣợc áp dụng để phân loại lớp phủ với số lƣợng mẫu lƣợc bớt dần Ban đầu, số lƣợng mẫu 208 mẫu tƣơng đƣơng với 100%, sau lƣợc bớt cịn 187 mẫu tƣơng đƣơng với 90%, 166 mẫu tƣơng đƣơng với 80% 146 mẫu tƣơng đƣơng 70% Để so sánh đánh giá, mẫu đƣợc dùng để phân loại thuật toán Maximum Likelihood Minimum Distance Bảng thống kê tiêu độ xác phân loại theo phƣơng án đƣợc mô tả bảng (3-4), (3-5), (3-6) Kết đánh giá độ xác cho thấy, với thuật tốn Support Vector Machine, độ xác phân loại hầu nhƣ không thay đổi nhiều ta giảm bớt số lƣợng mẫu huấn luyện Khi giảm số lƣợng mẫu từ 208 xuống 146 độ xác tổng thể đạt độ xác cao giảm ít, từ 94,27% 93,60% Tƣơng tự nhƣ vậy, hệ số Kappa mức cao, hầu nhƣ không thay đổi, giảm từ 0,91 0,90 Trong đó, độ xác phân loại theo hai phƣơng pháp Maximum Likelihood Minimum Distance có xu hƣớng giảm rõ rệt Đặc biệt, độ xác phƣơng pháp Minimum Distance giảm mạnh từ 85,85% 68,54% tiêu sai số tổng thể 0,82 0,58 với số Kappa 90 Qua đây, ta thấy rõ đƣợc ƣu điểm thuật toán Support Vector Machine Khi số lƣợng mẫu huấn luyện nhỏ, thuật toán lựa chọn tốt để phân loại lớp phủ mặt đất Bảng 3-4 Độ xác phân loại thuật tốn SVM với số lượng mẫu thay đổi Lớp phủ Số mẫu Độ Lúa Mặt Đất Cây lâu nước trống năm Cỏ dân cư xác (%) User Acc 92,88 99,98 Prod Acc 97,83 97,46 100% (208 mẫu) Overall Accuracy = 94,27% Kappa Coeficient = 0,91 User Acc 92,64 99,98 Prod Acc 97,73 96,62 90% (187 mẫu) Overall Accuracy = 93,99% Kappa Coeficient = 0,91 User Acc 91,98 99,98 Prod Acc 97,75 95,12 80% (166 mẫu) Overall Accuracy = 93,65% Kappa Coeficient = 0,90 User Acc 92,13 99,98 97,68 95,41 70% (146 Prod Acc mẫu) Overall Accuracy = 93,60% Kappa Coeficient = 0,90 Khu 95,42 92,77 99,81 99,81 81,35 57,18 94,68 90,17 95,73 91,4 99,81 99,81 81,52 57,8 93,8 90,21 95,73 91,63 100 99,81 79,96 55,53 94,1 89,8 94,83 92,77 100 99,81 81,4 94,38 53,53 90,09 91 Bảng 3-5 Độ xác phân loại thuật toán MLK với số lượng mẫu thay đổi Lớp phủ Lúa Mặt Độ nước xác (%) User Acc 97,41 100,00 Prod Acc 89,54 99,98 100% (208 mẫu) Overall Accuracy = 88,01% Kappa Coeficient = 0,84 User Acc 95,03 99,71 Prod Acc 81,90 89,22 90% (187 mẫu) Overall Accuracy = 85,26% Kappa Coeficient = 0,79 User Acc 93,03 98,82 Prod Acc 79,99 89,27 80% (166 mẫu) Overall Accuracy = 83,93% Kappa Coeficient = 0,77 User Acc 91,35 98,89 72,27 92,90 70% (146 Prod Acc Overall Accuracy = 80,19% mẫu) Kappa Coeficient = 0,73 Số mẫu Đất trống Cây lâu năm Cỏ 68,78 95,33 99,56 59,58 41,30 68,76 Khu dân cư 96,64 85,20 74,76 93,93 99,81 99,12 27,24 78,54 91,39 86,45 79,06 92,08 97,70 98,99 24,93 80,00 91,68 85,29 87,54 90,26 87,29 99,06 17,25 91,73 74,56 85,35 Bảng 3-6 Độ xác phân loại thuật tốn MND với số lượng mẫu thay đổi Số mẫu Lớp phủ Độ xác (%) Lúa Mặt nước Đất trống Cây lâu năm Cỏ Khu dân cư User Acc 93,22 99,98 86,6 96,5 92,2 77,75 43,63 93,78 89,42 77,34 82,32 65,70 19,61 73,29 85,65 99,75 73,20 72,25 75,62 87,91 64,26 99,75 19,22 72,65 67,49 69,89 Prod Acc 80,48 99,97 100% Overall Accuracy = 85,85% (208 mẫu) Kappa Coeficient = 0,82 User Acc 88,37 97,48 Prod Acc 69,92 93,13 90% (187 mẫu) Overall Accuracy = 75,90% Kappa Coeficient = 0,67 89,05 97,47 User Acc 66,18 92,67 Prod Acc 80% (166 mẫu) Overall Accuracy = 73,68% Kappa Coeficient = 0,64 85,63 97,43 User Acc 70% (146 Prod Acc 55,57 93,15 Overall Accuracy = 68,54% mẫu) Kappa Coeficient = 0,58 82,52 85,88 63,63 14,67 99,37 78,09 70,55 67,38 92 Hình 3-6 Độ xác tổng thể phương pháp SVM, MLK, MND số lượng mẫu thay đổi Kappa Coeficient 0.8 0.6 SVM 0.4 MLK MND 0.2 208 mẫu 187 mẫu 166 mẫu 146 mẫu Hình 3-7 Hệ số Kappa phương pháp SVM, MLK, MND số lượng mẫu thay đổi 93 3.5 Thành lập đồ lớp phủ mặt đất khu vực phường Hội Hợp – Vĩnh Yên – Vĩnh Phúc Qua kết phân loại thực nghiêm chƣơng chƣơng 3, kết phân loại thuật toán Support Vector Machine với mẫu huấn luyện gồm 208 mẫu có độ xác cao Do đó, đồ lớp phủ mặt đất đƣợc thành lập từ kết phân loại phƣơng án Kết phân loại phần mềm ENVI 4.7 đƣợc chuyển qua dạng véc tơ bới chức “Classification to Vector” phần mềm ENVI 4.7 Sau đó, sử dụng phần mềm ArcGIS 10 để biên tập đồ, ta thu đƣợc đồ lớp phủ mặt đất khu vực phƣờng Hội Hợp nhƣ hình (3-8) 94 Hình 3-8 Bản đồ lớp phủ mặt đất phường Hội Hợp – Vĩnh Yên – Vĩnh Phúc 95 KẾT LUẬN VÀ KIẾN NGHỊ KẾT LUẬN Bản đồ lớp phủ mặt đất tài liệu quan trọng công tác quản lý tài nguyên môi trƣờng Thành lập đồ mặt đất sử dụng theo phƣơng pháp phân loại ảnh viễn thám có ƣu điểm nhanh, thành lập khu vực rộng lớn, đặc biệt vùng sâu, vùng xa, điều điện lại khó khăn phức tạp nhƣng đảm bảo độ xác Các phƣơng pháp phân loại ảnh viễn thám đại nhƣ phân loại sử dụng mạng nơ ron nhân tạo phân loại máy học véc tơ mang lại kết tốt Phân loại ảnh viễn thám SPOT khu vực phƣờng Hội Hợp – thành phố Vĩnh Yên – tỉnh Vĩnh Phúc sử dụng mạng nơ ron nhân tạo thuật toán Support Vector Machine đạt độ xác cao Thuật tốn sử dụng mạng nơ ron nhân tạo có độ xác tổng thể 92,50% số Kappa 0,90 Thuật toán Support Vector Machine có độ xác tổng thể 94,27% số Kappa = 0,91 Trong đó, độ xác phân loại với hai thuật toán thƣờng dùng xác suất cực đại khoảng cách tối thiểu có độ xác tổng thể lần lƣợt 88,01% 85,85%, hệ số Kappa 0,84 0,82 Trong phƣơng pháp phân loại sử dụng mạng nơ ron nhân tạo, số lần huấn luyện mẫu có ảnh hƣởng đến độ xác phân loại Số lần huấn luyện mẫu tăng độ xác phân loại cao Với thuật toán Support Vector Machine, số lƣợng mẫu huấn luyện giảm từ 208 mẫu 146 mẫu độ xác phân loại khơng thay đổi nhiều Độ xác tổng thể giảm từ 94,27% 93,60% hệ số Kappa giảm từ 0,91 0,90 Trong đó, độ xác phƣơng pháp thƣờng dùng có xu hƣớng giảm mạnh Kết phân loại thuật tốn Maximum 96 Likelihood có độ xác tổng thể giảm từ 88,01% 80,19%, hệ số Kappa giảm từ 0,84 0,73 Kết phân loại thuật tốn Minimum Distance có độ xác tổng thể giảm từ 85,85% 68,54% hệ số Kappa giảm từ 0,82 0,58 KIẾN NGHỊ Các thuật toán mạng nơ ron nhân tạo Support Vector Machine hai thuật tốn phân loại mới, cho độ xác cao, nên khuyến khích sử dụng phân loại ảnh viễn thám Khi phân loại sử dụng mạng nơ ron nhân tạo, cần lƣu ý đến số lần huấn luyện mẫu để độ xác phân loại đƣợc tốt Với kết nghiên cứu luận văn, số lần huấn luyện mẫu cần lần đủ Trong điều kiện lấy mẫu thực địa khó khăn, xem xét việc sử dụng thuật toán Support Vector Machine để phân loại ảnh Vì thuật tốn có độ xác tốt số lƣợng mẫu huấn luyện khơng nhiều 97 TÀI LIỆU THAM KHẢO 10 11 12 13 Trần Cao Đệ Phạm Nguyên Khang (2012), Phân loại văn với máy học vector hỗ trợ định, Tạp chí Khoa học 2012:21a , trang 5263,Trƣờng Đại học Cần Thơ Phạm Thị Lan Hƣơng (2011), Nhận dạng ảnh mặt người dùng mạng nơ ron nhân giải thuật di truyền, Luận văn thạc sĩ khoa học máy tính, Đại học Thái Nguyên, Thái Nguyên Bùi Hoàng Khánh nnk (2010), Báo cáo mạng nơ ron ứng dụng, Trƣờng ĐH Công nghệ - ĐH quốc gia Hà Nội Phạm Hồng Luân, Phạm Trƣờng Giang (2006), Nghiên cứu ứng dụng mạng nơ ron nhân tạo hỗ trợ cơng tác chọn thầu thi cơng theo quy trình đấu thầu Việt Nam, Tạp chí Phát triển KH&CN, tập 9, số 7-2006 Phạm Thị Hoàng Nhung, Hà Quang Thụy (2007), Nghiên cứu, sử dụng mạng nơ ron nhân tạo dự báo lưu lượng nước đến hồ Hồ Bình trước 10 ngày, Hội thảo Quốc gia Một số vấn đề chọn lọc Công nghệ thông tin Truyền thông, lần thứ X, Đại Lải, Vĩnh Phúc, 9/2007 Nguyễn Quang Minh (2013), Phân loại lớp phủ thuật toán Support Vector Machine, Tạp Chí Khoa học, Khoa học Tự nhiên Công nghệ, Tập 29, số 1S, 2013, trang 119-125 Trần Minh Tân (2012), Nghiên cứu kỹ thuật SVM kiểm sốt nội dung hình ảnh, Luận văn thạc sỹ kỹ thuật chuyên ngành công nghệ thông tin, Trƣờng ĐH Lạc Hồng, Đồng Nai Nguyễn Thị Thảo nnk (2011), Phương pháp phân lớp sử dụng máy Vectơ hỗ trợ ứng dụng Tin sinh học, Tạp chí Khoa học Phát triển 2011: Tập 9, số 6: 1021 – 1031, Trƣờng Đại học Nông nghiệp Hà Nội Nguyễn Khắc Thời nnk (2012), Giáo trình viễn thám, Nhà xuất Đại học Nông nghiệp Hà Nội Lê Thu Trang (2002), Một số đề xuất nhằm nâng cao độ tin cậy phân loại lớp phủ bề mặt ảnh viễn thám, Luận văn thạc sĩ kỹ thuật chuyên ngành Trắc địa, Đại học Mỏ - Địa chất Hà Nội Nguyễn Thảo Thanh Vân (2010), Ứng dụng mơ hình Neural Network việc dự báo thị trường chứng khoán Việt Nam, Đại học Kinh tế quốc dân, Hà Nội Jayanta Kumar Basu et al (2010), Use of Artificial Neural Network in Pattern Recognition, International Journal of Software Engineering and Its Applications, Vol 4, No 2, April 2010 Shuang Deng (2006), Document Classification Based on Support Vector Machine Using a Concept Vector Model, Web Intelligence, WI 2006, IEEE/WIC/ACM International Conference 98 14 Ron Graham and Roger E Read (1990), Manual of Aerial Photography, London and Boston, Focal Press, ISBN 0-240-51229-4 15 Geoffrey Hinton et al (2012), Deep Neural Networks for Acoustic Modeling in Speech Recognition, IEEE Signal Processing Magazine, November 2012 16 L.Howard Holley and Martin Karplus (1989), Protein secondary structure prediction with a neural network, Proc Nati Acad Sci USA, Vol 86, pp 152-156, January 1989, Biophysics 17 C Huang et al (2002), An assessment of support vector machines for land cover classification, International Journal of Remote Sensing, 23:4, 725-749 18 Kong Aik Lee et al (2008), Spoken Language Recognition using Support Vector Machines with Generative Front-End, in Proc IEEE ICASSP, pp 4153 - 4156, 2008 19 Baback Moghaddam and Ming-Hsuan Yang (2000), Gender Classification with Support Vector Machines, Mitsubishi Electric Research Laboratories, December-2000 20 Paola and Schowengerdt (1997), The effect of Neural-network Structure on a Multispectral Land Use/Land Cover Classification, Photogrammetric Engineering and Remote Sensing, Vol 63, No 5, pp 535-544 21 D E Rumelhart et al (1986), Learning Representation by BackPropagating Errors, Nature 323:533-536 22 Short N.M (2011), The LANDSAT Tutorial Workbook: Basics of Satellite Remote Sensing, NASA Reference Publication 1078, NASA, Retrieved 20 September 2011 23 D.Stathakis (2009), How many hidden layers and nodes?, International Journal of Remote Sensing, Vol 30, No 8, 20 April 2009, 2133–2147 24 Vladimir Vapnik (1995) The Nature of Statistical Learning Theory Springer-Verlag, 1995 ISBN 0-387-98780-0 25 http://www.crisp.nus.edu.sg 26 http://www.fao.org 27 http://www.geo-informatie.nl 28 http://www.imtech.res.in 29 http://www.meted.ucar.edu 30 http://www.neuralpower.com 31 http://www.scienceandtheworld.files.wordpress.com 99 DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ Nguyễn Đức Lộc, Nguyễn Quang Minh (2013) Ứng dụng thuật toán Support Vector Machine phân loại lớp phủ mặt đất Kỷ yếu Hội thảo ứng dụng GIS toàn quốc 10/2013 Nhà xuất Nông nghiệp Nguyễn Thị Thu Hiền, Nguyễn Khắc Thời, Nguyễn Đức Lộc (2013) Ứng dụng phương pháp phân loại hướng đối tượng thành lập đồ sử dụng đất/lớp phủ huyện Tiên Yên, tỉnh Quảng Ninh Kỷ yếu Hội thảo ứng dụng GIS toàn quốc 10/2013 Nhà xuất Nông nghiệp ... đề tài: ? ?Nghiên cứu số phương pháp phân loại bề mặt lớp phủ sử dụng trí tuệ nhân tạo phục vụ cơng tác quản lý tài ngun mơi trường? ?? Mục đích nghiên cứu  Tìm hiểu đánh giá hai phƣơng pháp phân loại. .. dung nghiên cứu  Nghiên cứu ứng dụng mạng nơ ron nhân tạo phân loại lớp phủ mặt đất;  Nghiên cứu ứng dụng thuật toán Support Vector Machine phân loại lớp phủ mặt đất Phương pháp nghiên cứu ... ĐỀ NGHIÊN CỨU .13 1.1 Lớp phủ mặt đất phân loại lớp phủ mặt đất 13 1.1.1 Khái niệm lớp phủ mặt đất 13 1.1.2 Phân loại lớp phủ mặt đất 14 1.1.3 Hệ phân loại lớp phủ